Derniers articles pour Évaluation du modèle

Un nouveau benchmark évalue des méthodes pour mesurer la similarité de représentation en apprentissage automatique.

Une nouvelle méthode pour détecter les pannes dans les modèles de classification d'images.

Évaluer à quel point les LLMs produisent des sorties JSON grâce à des tests StructuredRAG.

Une étude sur l'amélioration des méthodes UDA via l'évaluation et la compréhension des décalages de données.

Une nouvelle méthode pour combiner les modèles de langage de manière plus efficace.

Une nouvelle approche renforce la compréhension des prédictions du modèle grâce à l'attribution des caractéristiques.

Une nouvelle méthode révèle comment les modèles de vision organisent et comprennent les images.

Nouvelle technique pour mieux comprendre les prédictions des modèles en utilisant des exemples contrefactuels.

Une méthode combinant VMD et modèles linéaires améliore la précision des prévisions.

Le cadre PoEM évalue les modèles de langue sans avoir besoin d'étiquettes précises.

Cette étude évalue comment de légers changements influencent les réponses des modèles de langage.

Une nouvelle méthode aide à identifier la contamination des données de test dans les LLMs en utilisant les probabilités des tokens.

FSDEM propose une nouvelle approche pour évaluer les techniques de sélection de caractéristiques pour l'analyse des données.

Le dataset MAPWise met au défi les modèles avec des questions basées sur des cartes et évalue leurs compétences en raisonnement.

Cet article parle d'un nouveau système de notation pour évaluer les modèles de langue de manière plus juste.

Le Logit Scaling améliore la détection des données hors distribution sans données d'entraînement.

Cette étude évalue des modèles de machine learning pour détecter les déchets dans les rivières.

Une nouvelle méthode pour évaluer la robustesse des classificateurs ML en utilisant la distance d'adversaire.

Un regard de plus près sur la façon dont les grands modèles de langage réalisent des tâches de base.

Une nouvelle méthode améliore les explications de l'IA grâce à la collaboration entre deux modèles de langage.

Cette recherche explore comment le degré topologique évalue l'efficacité des VAE à capturer la structure des données.

Une étude révèle comment les modèles de langage utilisent le contexte pour des réponses précises.

De nouvelles méthodes aident à comprendre comment les modèles réagissent aux changements de données.

Cet article examine des méthodes pour détecter la contamination des données dans les grands modèles de langage.

Ce papier explore comment les méthodes de bootstrap améliorent la stabilité et la robustesse dans les modèles SGD.

Un nouveau standard vise à améliorer l'évaluation de l'incertitude dans les modèles de langue.

Une nouvelle méthode améliore le raisonnement des modèles grâce à des traces de programmation structurées.

Examiner comment le fine-tuning affecte la sécurité des modèles de langage dans différentes tâches.

Une nouvelle approche pour évaluer les modèles de ML en utilisant la théorie de la réponse à l'item pour des insights améliorés.

Des modèles de base solides améliorent l'évaluation des systèmes d'IA dans le secteur de la santé.

Un aperçu des intervalles de confiance dans l'apprentissage avec peu d'exemples et leur impact sur l'évaluation des modèles.

Examiner la compréhension et la précision des résultats des modèles de langue.

Recherche mettant en avant l'utilisation des fonctions d'influence pour améliorer la performance des PINN dans les problèmes de physique.

Un aperçu de la dimension effective et son impact sur l'entraînement des modèles.

Ce papier évalue à quel point les modèles de langue expliquent les concepts scientifiques.

Cet article examine les GAM comme solution pour la performance prédictive et l'interprétabilité.

Examiner comment les échantillons difficiles affectent la performance du modèle et la fiabilité de la précision des tests.

Cet article examine comment différentes couches affectent la performance des LLM.

Les étiquettes floues peuvent améliorer les performances des modèles de machine learning dans des situations de données incertaines.

RepairBench établit des normes pour comparer les modèles d'IA dans la réparation des bugs logiciels.